CN121167434B - 一种基于多模态传感的草本类作物加工质量监测系统 - Google Patents

Abstract

本发明涉及草本类作物加工质量监测技术领域，公开一种基于多模态传感的草本类作物加工质量监测系统，包括：主传感单元、哨兵传感单元和处理单元，处理单元用于执行潜状态空间模型，该模型利用主传感单元的平均数据和哨兵传感单元的极端数据，估计平均潜状态与异质性潜状态，并利用异质性潜状态动态校准平均潜状态的置信度，处理单元还用于提取潜状态空间模型的内部处理残差，并监测残差的统计特性以诊断模型与现实的失配，本发明利用潜状态的内部校准，避免依赖平均值所导致的极端事件监测盲点。

Description

一种基于多模态传感的草本类作物加工质量监测系统

技术领域

本发明涉及一种基于多模态传感的草本类作物加工质量监测系统，属于草本类作物加工质量监测技术领域。

背景技术

当前在草本类作物加工等工业生产中，采用基于特定计算模型的监测系统，已成为提升质量控制水平的常用做法，这类系统通常利用近红外光谱、机器视觉或温湿度等传感器采集的多模态数据，通过构建神经网络或状态空间模型等计算模型，对加工过程中的物料关键质量指标进行实时估计；然而，草本类作物的干燥、醇化等加工过程，在物理上是必然伴随传质传热的过程。这一物理规律决定了物料堆积体内部必然存在空间异质性，即热量和水分的传递必然导致在加工腔体内同时存在最快反应点如热风入口或物料表层和最慢反应点如物料堆芯或冷风出口；这种客观存在的空间异质性，与现有计算模型在构建时所依赖的平均值假设，构成了本领域长期存在且未能被有效解决的技术矛盾，当前主流的计算模型，其输入数据（如整批物料的平均光谱、平均温度）在设计上即是一种对空间异质性的平均化处理，这种处理虽然简化了计算，但其代价是模型丧失了对真实物理过程特别是其分布的感知能力。

当计算模型基于平均值数据运行时，其输出的平均质量指标在工程实践中具有高度的误导性，当平均质量显示为合格时，最快反应点可能早已发生过度加工如焦化、有效成分破坏，而最慢反应点则可能加工不足如生青、存在霉变风险；由于这些极端事件发生在平均值之外的分布两端，在计算模型的认知中是不可见的，导致系统完全丧失了对灾难性加工失败的预警能力；为回避此问题，本领域曾尝试采用增加传感器阵列密度或构建复杂流体动力学模型的方式，但这带来了计算和硬件成本的急剧上升；而试图通过强化搅拌等方式使过程绝对均匀的思路，又会引入能耗增加或物料物理破损等新问题，且未能从根本上解决计算模型本身的逻辑缺陷，事实上，即便是在计算模型层面，现有的技术也未能摆脱这一局限，其发展方向仍集中于如何更复杂地处理平均化信息，而非解决异质性问题本身，例如，公开号为CN120228715A的中国发明专利公开了一种基于多模态感知与智能调控的工业机器人食品加工系统，该系统虽然集成了视觉、触觉、光谱乃至近红外等多种传感器，并采用了深度学习等算法进行多源数据融合，但其技术思路在本质上仍是构建统一的模型来表征物料的整体状态，这种设计思路与本领域的主流做法一致，依旧是一种对空间异质性的平均化处理，无法感知和量化加工腔体内最快反应点与最慢反应点之间的物理差异，在面对草本类作物加工特有的传质传热不均问题时，依然存在对过度加工或加工不足等极端事件的监测盲点。

因此，如何构建一种全新的计算模型架构，使其能够从根本上摆脱对平均值数据的依赖，转而能够感知、量化并利用加工过程的空间异质性信息，以实现对物料整体质量状态包括其分布与极端风险的监测，成为本发明所要解决的技术问题。

发明内容

本发明提供一种基于多模态传感的草本类作物加工质量监测系统，其主要目的在于解决现有计算模型依赖平均值数据、因而无法感知和建模加工过程空间异质性、导致对极端质量风险存在监测盲点的问题。

为实现上述目的，本发明提供的一种基于多模态传感的草本类作物加工质量监测系统，系统包括主传感单元、至少一个哨兵传感单元以及处理单元：

主传感单元，用于采集加工中物料的平均状态多模态数据；

哨兵传感单元，用于采集加工腔体内预设极端位置点的物理数据；

处理单元，用于执行异质性校准的潜状态空间模型HC-LSSM；HC-LSSM用于：基于平 均状态多模态数据，估计平均加工潜状态；基于极端位置点的物理数据，计算异质性潜 状态；并利用异质性潜状态对平均加工潜状态估计的置信度进行动态 校准；处理单元还用于：在HC-LSSM运行时，提取其表征模型预测值与传感器实际测量值之 间差异的内部处理残差；设置残差监测模型，用于实时监测内部处理残差数据流的统计学 特性；以及在内部处理残差数据流的统计学特性偏离预设的正常噪声基线时，生成指示HC- LSSM与加工现实发生失配的过程异常警报。

优选的，哨兵传感单元包括安装在预设最快反应点的第一哨兵传感器与安装在预 设最慢反应点的第二哨兵传感器，HC-LSSM基于第一哨兵传感器与第二哨兵传感器的数据 差值，来计算异质性潜状态。

优选的，HC-LSSM将异质性潜状态作为平均加工潜状态估计的协方差 矩阵的动态校准参数，其中HC-LSSM是一种扩展卡尔曼滤波器模型，协方差矩阵的过程噪声 协方差被设定为与异质性潜状态的数值成正相关。

优选的，处理单元还用于：在加工批次开始时的初始化阶段，采集主传感单元与哨兵传感单元的瞬态响应数据，以获取表征该批次物料特性的瞬态响应特征；基于瞬态响应特征，从预设的参数映射库中匹配并选择一组对应的模型参数，并将模型参数加载至HC-LSSM中，用于后续加工过程的状态估计。

优选的，瞬态响应特征包括：哨兵传感单元在预设最快反应点所采集数据的升温速率，与主传感单元所采集的平均状态多模态数据的响应滞后时间之间的关系，参数映射库存储了多组模型参数的预标定参数集，预标定参数集分别对应典型物料特性。

优选的，处理单元还用于：在哨兵传感单元健康时，在线学习并构建用于根据平均 状态多模态数据来预测极端位置点的物理数据的虚拟哨兵模型，实时诊断哨兵传感单元的 健康状态；以及在诊断到哨兵传感单元发生失效时，自动将HC-LSSM用于计算异质性潜状态的数据输入，从失效的哨兵传感单元切换至虚拟哨兵模型的预测输出。

优选的，虚拟哨兵模型是选自包括偏最小二乘回归模型与梯度提升树模型的模型组中的一种模型；处理单元通过检查哨兵传感单元的信号是否出现选自包括超出物理量程、呈恒定值与包含高频噪声的失效特征组中的至少一种，诊断哨兵传感单元的健康状态。

优选的，残差监测模型是一种统计过程控制模型，处理单元在内部处理残差数据流出现选自包括系统性偏移、自相关与方差剧增的统计特性变化中的至少一种，并偏离预设的正常噪声基线时，生成过程异常警报。

优选的，处理单元还用于：设置相关性监测模型，用于实时监测平均状态多模态数 据中的预设特征与极端位置点的物理数据之间的模型相关性；基于模型相关性，动态评估 哨兵传感单元的代表性权重；以及HC-LSSM在计算异质性潜状态时，利用代表性权重 对极端位置点的物理数据的贡献进行动态调整；其中，动态调整通过预设的权重调整规则 实现：，其中，为动态调整后的贡献，为预设的初始权重， 为预设的灵敏度系数，为模型相关性偏离预设的相关性基线的偏差值。

优选的，相关性监测模型用于：提取平均状态多模态数据中表征过度加工的特征 峰作为预设特征；监测特征峰的变化趋势与极端位置点的物理数据的变化趋势之间的模型 相关性；并计算模型相关性偏离预设的相关性基线的偏差值。

相比于现有技术，本发明的有益效果是：

1、本发明所构建的特定计算模型，通过主传感单元和哨兵传感单元提供的非对称数据流，在模型内部并行估算平均加工潜状态与异质性潜状态，这两个潜状态并非相互独立，而是形成动态的内部校准机制：计算出的异质性潜状态被该模型即时地用作内部参数，去动态调整其对平均加工潜状态估算的置信度，这种计算架构，使得模型在感知到加工不均时，会自动降低对平均值的依赖性，避免了传统计算模型因依赖平均值数据而对极端事件产生的认知盲点，实现对加工状态分布的监测。

2、本发明利用加工过程的初始瞬态响应阶段，通过处理单元在此特定时间窗口内，对主传感单元和哨兵传感单元的数据进行瞬态响应特征的提取，这实现计算模型功能的时分复用：同一套传感器硬件在加工初始阶段被用于执行系统辨识，以获取当前物料批次的独有特性，并从参数映射库中匹配并加载对应的最优模型参数集，使得后续的潜状态空间模型运算，是基于已经针对当前批次特性进行自适应校准的基础之上进行的，避免因模型-现实失配导致的系统性监测偏移。

3、本发明构建计算模型层面的逻辑冗余机制，以应对哨兵传感单元在恶劣工况下易于失效的工程难题，处理单元在系统正常运行时，并行运行伴生学习任务，在线学习主传感器的高维平均状态数据与哨兵的低维极端位置数据之间的非线性相关性，从而构建虚拟哨兵模型，当物理哨兵传感单元被诊断为失效时，HC-LSSM模型用于计算异质性潜状态的数据输入，会自动从失效的物理单元切换至该虚拟哨兵模型的估算输出，这是利用信息冗余来对抗物理脆弱性，使系统的核心监测功能异质性监测在关键硬件节点失效时，能够平滑降级并继续运行，避免灾难性的监测中断。

附图说明

图1为本发明系统异质性校准与模型健康度监测逻辑架构图；

图2为本发明加工过程中极端点温度与平均水分变化曲线图；

图3为本发明系统传感器布局与处理单元物理部署示意图。

具体实施方式

为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明，但下述实施方式仅为本发明的优选实施方式，并非用以限制本发明的保护范围。

本发明提供的一种基于多模态传感的草本类作物加工质量监测系统，包括主传感 单元、哨兵传感单元以及处理单元，处理单元是本发明的核心，其内部固化并执行特定的计 算模型，即异质性校准的潜状态空间模型HC-LSSM，用于实现对加工状态的深度感知与鲁棒 评估；在具体的部署中，系统锚定于草本类作物，以茶叶或烟草的干燥、醇化工艺为例的加 工腔体上，主传感单元，可为一套标准的多模态传感设备，如近红外光谱仪与机器视觉相机 的组合，安装于加工腔体的标准观测口，其用于高频采集流经观测口的物料数据，并通过光 谱平均、图像特征提取等常规数据预处理，生成表征该批次物料整体平均状态的平均状态 多模态数据；与此同时，哨兵传感单元用于对加工腔体内物理场的空间异质性进行 标定，其并非高复杂度的光谱或视觉设备，而是基础物理传感器，如热电偶或湿度探针；在 系统构建时，这些哨兵传感单元安装在依据传热传质原理预先判定的物理极端位置点，优 选的配置是设置两个哨兵传感单元，包括安装在预设最快反应点，例如热风入口或物料表 层的第一哨兵传感器，用于采集该点的物理数据和安装在预设最慢反应点，例如物料 堆芯或冷风出口的第二哨兵传感器，用于采集该点的物理数据，这两个哨兵传感器共 同输出极端位置点的物理数据，该数据即和的数据。

处理单元是实现本发明计算模型的核心载体，可为内嵌了专用固件的微控制器 （MCU）、数字信号处理器（DSP）或工业计算机，其从主传感单元接收数据流，并同时 从哨兵传感单元接收数据流；处理单元的核心任务是执行异质性校准的潜状态 空间模型HC-LSSM，该模型在领域内可具体实现为一种扩展卡尔曼滤波器（EKF）模型或粒子 滤波器（PF）模型，其内部定义了至少两个核心不可直接观测的潜状态变量：平均加工潜状 态和异质性潜状态；HC-LSSM模型的运作规程如下：在模型的状态估计循环中， HC-LSSM利用来自主传感单元的高维度、信息丰富的，例如全波段光谱数据，通过观 测模型，该模型可为简约的偏最小二乘回归（PLSR）模型或浅层神经网络，对平均加工潜状 态进行初步估计；这是对物料平均状态的利用；同时，HC-LSSM利用来自哨兵传感单元 的低维度、高时效性的，用于计算异质性潜状态；一个具体可工程实现的 计算方式是，HC-LSSM被设定为基于第一哨兵传感器与第二哨兵传感器的数据差值，来计算 异质性潜状态，例如，的数值被设计为与和之间的温差或湿差的绝 对值成正相关关系；模型在估计的过程中，并非孤立地进行，而是利用其刚刚计算得到 的，对估计的置信度进行动态校准；在特定计算模型中，以扩展卡尔曼滤波器 为例，这种校准具有明确的工程实现路径：HC-LSSM将异质性潜状态作为平均加工潜 状态估计的协方差矩阵的动态校准参数；具体而言，HC-LSSM是一种扩展卡尔曼滤波器 模型，其内部状态转移方程中的过程噪声协方差，该参数在模型中表征了模型对状态预 测的不确定性程度，被设定为与异质性潜状态的数值成正相关；通过此种模型结构 设计，当哨兵传感器感知的差值增大时，数值随之升高，进而导致模型内部的增 大，这使得卡尔曼滤波器自动降低对其基于所得出的估计值的信任度，即增大 其估计的协方差，转而更多地依赖模型的预测更新。

进一步地，为解决模型在应用于真实工业场景时，因加工对象例如不同批次的草 本类作物的物理特性波动而导致的模型现实失配问题，处理单元还可具备一种自适应参数 初始化机制；该机制在加工批次开始时的初始化阶段，例如加工启动后的前3分钟被激活， 在此阶段，处理单元高频采集主传感单元与哨兵传感单元的瞬态响应数据，以获取表征该 批次物料特性的瞬态响应特征；瞬态响应特征可具体包括：哨兵传感单元在预设最快反应 点（）所采集数据的升温速率，与主传感单元（）所采集的平均状态多模态数据的 响应滞后时间之间的特定关系；处理单元基于该瞬态响应特征，从预设在本地存储器中的 参数映射库中进行匹配，并选择一组对应的最优模型参数；参数映射库存储了多组模型参 数的预标定参数集，这些参数集是分别对应通过离线实验标定的典型物料特性，如高密度、 难干燥批次或低密度、易焦化批次；匹配完成后，处理单元立即将所选择的模型参数加载至 HC-LSSM中，作为后续整个加工过程的状态估计的运算基础，确保模型从一开始就基于与当 前批次物料特性相匹配的先验参数进行运算；为解决模型依赖的哨兵传感单元因安装在恶 劣工况下，诸如高温、高湿环境，而易于物理失效的结构性脆弱点，处理单元还可具备一种 层面的哨兵失效容错机制；该机制的实现是在哨兵传感单元健康时，处理单元并行运行伴 生学习任务，该任务用于在线学习并构建虚拟哨兵模型；该虚拟哨兵模型的输入是来自主 传感单元的、信息丰富的，例如全光谱数据，其学习目标即输出是来自物理哨兵传 感单元低维度的，例如的温度值；在实现上，虚拟哨兵模型是选自包括偏最 小二乘回归（PLS）模型与梯度提升树（GBT）模型的模型组中的一种轻量化回归模型；与此同 时，处理单元实时诊断哨兵传感单元的健康状态；该诊断功能通过简约的算法实现，即通过 检查哨兵传感单元的信号是否出现选自包括超出物理量程、呈恒定值与包含高频噪声的失 效特征组中的至少一种；在诊断到哨兵传感单元发生失效时，处理单元立即触发模型的无 缝切换逻辑，自动将HC-LSSM用于计算异质性潜状态的数据输入源，从失效的物理哨 兵传感单元，切换至虚拟哨兵模型的实时预测输出。

此外，为解决模型自身可能存在的静默失效风险，即当加工过程发生模型未曾预 料的异常，例如物料板结或风机故障，模型本身虽在运行，但其输出已不可靠的问题，本发 明系统还具备一种对模型自身健康度进行元认知的机制；该机制由处理单元实现：处理单 元在HC-LSSM运行时，实时提取其内部处理残差，其定义为模型内部预测值与传感器实际测 量值之间的差异；系统额外设置残差监测模型，用于实时监测内部处理残差数据流的统计 学特性；在实现上，残差监测模型可为一种简约的统计过程控制（SPC）模型；在模型与物理 现实匹配的正常状态下，该残差流应呈现为无偏的白噪声特性；而当物理现实发生未建模 的异常，以物料板结为例，模型的预测将持续地、系统性地偏离实际测量值，导致该残差流 失去白噪声特性；因此，处理单元在内部处理残差数据流出现选自包括系统性偏移、自相关 与方差剧增的统计特性变化中的至少一种，并偏离预设的正常噪声基线时，便自动生成指 示HC-LSSM与加工现实发生失配的过程异常警报，该警报与质量监测警报相正交，用于提示 操作员模型的输出结果可能已不可信；最后，为解决模型中哨兵物理位置固定而加工过程 中真实极端点可能因物料收缩等因素发生动态迁移，从而导致哨兵代表性失效的隐蔽问 题，处理单元还可具备一种模型的哨兵代表性动态补偿机制；处理单元为此设置相关性监 测模型，该模型用于实时监测平均状态多模态数据（）中的预设特征与极端位置点 的物理数据（）之间的模型相关性；具体而言，该相关性监测模型用于提取平均 状态多模态数据（，如光谱数据）中表征过度加工的特征峰，例如特定波长的吸收峰 作为预设特征；并持续监测特征峰的变化趋势与极端位置点的物理数据，例如的温度 的变化趋势之间的模型相关性；当哨兵具有代表性时，二者应保持强相关；当哨兵失去代表 性时（如真实最热点迁移），二者的相关性将破坏；处理单元基于模型相关性，动态评估哨兵 传感单元的代表性权重；并且，HC-LSSM在计算异质性潜状态时，利用代表性权重对 极端位置点的物理数据（）的贡献进行动态调整；这种动态调整可通过预设的权 重调整规则来实现，以模型的具体参数调整为例：，其中，为 动态调整后的贡献权重或测量噪声协方差，为预设的初始权重或基线噪声，为预设的 灵敏度系数，为模型相关性偏离预设的相关性基线的偏差值，该偏差值由相关性监测 模型计算得出；如此，模型（HC-LSSM）便被自动赋予了自适应能力，即在模型层面自动降低 对代表性下降的哨兵数据的依赖，从而补偿了因物理过程动态变化带来的模型偏差。

实施例1：在草本类作物，以一批初始含水率不均的茶叶为例的干燥加工场景中， 系统面临的客观工况是该批次物料表层已接近干燥，但堆芯最慢反应点的含水率高于平均 水平；此时，仅依赖平均值数据的常规计算模型，会因其主传感单元采集的平均状态多模态 数据（如平均近红外光谱）显示水分接近达标，而倾向于提早结束加工，这将导致最 慢反应点的物料加工不足与最快反应点热风入口的物料过度加工焦化并存，本发明监测系 统在此工况下的运作如下：系统启动后，主传感单元持续采集并向处理单元上报， 与此同时，安装在热风入口的第一哨兵传感器（）和安装在物料堆芯的第二哨兵传感器 （）亦持续上报其物理数据；在加工中后期，由于前述的客观不均性，处 的温度如95与处的温度如70呈现出差异。

处理单元内部执行的异质性校准的潜状态空间模型HC-LSSM，在接收到此非对称 数据流时，其计算模型内部发生以下处理：一方面模型利用，初步估计出看似合格 的平均加工潜状态；另一方面，模型利用与之间的温差，计算出高数值的异质 性潜状态；该高数值的立即触发了如具体实施方式动态校准机制，即HC- LSSM（作为一种扩展卡尔曼滤波器模型）将与成正相关的过程噪声协方差调高， 此模型内部参数的自适应调整，使HC-LSSM模型自动大幅降低了其对数据的信任权 重，即降低对平均值的依赖；其最终输出的的置信度被动态调低，同时高值被 作为一项关键指标上报，系统据此判断当前加工状态实则高度不均且不可靠而非合格；计 算模型因而避免基于平均值数据可能导致的严重误判，并得以指示工艺系统延长加工时间 或调整工艺参数如降低热风温度、增大循环风量，直至与的差异收敛、数值 下降，模型对的置信度恢复至高位；此运作过程，是主传感单元的平均状态感知与哨兵 传感单元的极端点标定两者在模型内部协同运作的结果，即利用哨兵数据（）对 主传感数据（）在模型层面的置信度进行动态校准，解决计算模型对平均值的依赖 与加工过程物理异质性之间的固有矛盾，使系统获得了对加工状态包括其分布的监测能 力。

实施例2：本实施例进行一项对比试验，用于验证异质性校准的潜状态空间模型 HC-LSSM计算模型，在草本类作物加工的典型空间异质性工况下，相较于常规计算模型及不 具备核心校准机制的模型，在监测结果上的差异；试验平台采用小型工业级茶叶烘干箱，其 内部安装有符合具体实施方式规格的主传感单元，即一台光谱范围900-1700nm的近红外光 谱仪，和两个哨兵传感单元，即两支精度为±0.5的K型热电偶；其中第一哨兵传感器（）安装于热风入口，第二哨兵传感器（）安装于物料堆积体的几何中心，该位置为预 设的最慢反应点；试验物料为一批次茶叶，为模拟模型在工程中面临的异质性挑战，该批茶 叶被刻意制备为具有含水率梯度；经烘箱干燥法测定，其物料堆积体核心的初始含水率为 35.1%，而表层的初始含水率仅为15.2%，该批物料的真实整体平均含水率为25.3%，这是典 型的湿芯状态。

试验设置三个计算模型监测组，在同一烘干工艺，即设定温度90下，并行接收来 自上述试验平台的传感器数据，并独立运行其模型算法：对照组1（常规模型）：运行标准偏 最小二乘（PLS）回归模型，该模型仅基于平均值数据，其模型输入端仅连接主传感单元的平 均状态多模态数据；对照组2（无校准HC-LSSM）：运行HC-LSSM模型，其输入端连接主 传感单元（）和哨兵传感单元（），但其内部模型逻辑中，对 估计置信度的动态校准机制被人为禁用，即保持恒定；此组用于验证该动态校准机制本 身的效果；本发明样组（完整HC-LSSM）：运行本发明功能完整的异质性校准的潜状态空间模 型HC-LSSM模型，具备如具体实施方式全部功能，包括对的动态校准机制；在烘干 过程进行至T=60分钟时立即停止试验，并对物料堆积体的核心与表层进行快速取样，通过 烘箱干燥法测定其过程真值；此时，测得的实际核心水分（最慢反应点）为20.2%，实际表层 水分（最快反应点）为4.8%，而真实的整体平均水分为12.5%；此时三个模型监测组的输出状 态参见表1。

表1：为T=60分钟时各计算模型的监测结果对比表

参见表1，对照组1的模型完全被平均值数据（）影响，其估算的 （12.8%）与真实平均值（12.5%）高度一致，因此作出加工完成的判断；而此时实际核心水分 为20.2%（加工不足），表层水分为4.8%（过度加工），模型的监测功能失效，对照组2的模型虽 然接入了哨兵数据并计算出了高异质性（0.85），但因其模型内部缺少关键的动态校 准机制，其对的估计逻辑与对照组1相同，仍然输出为12.8%，并作出加工完成的判 断；此数据表明，仅增加哨兵硬件而模型计算逻辑不具备协同校准机制，无法解决该问题。 本发明样组的模型，在计算出高（0.86）后，其内部的动态校准机制被激活增大， 模型自动降低了对数据的信任权重，并对其状态估计进行了修正，最终输出的 为18.5%；该数值高于平均值而更接近于模型判断的瓶颈即实际核心水分（20.2%），因此模 型作出加工中高异质性的正确判断；为进一步验证模型内部参数，以HC-LSSM中对影响的灵敏度系数为例，采用本发明样组的模型配置，仅调整模型内部参数的取值， 在上述T=60分钟的同一数据快照上进行模型运算，结果参见表2。

表2：为模型内部校准参数的影响对比表

参见表2，数据分析如下：当模型的参数取值过低（0.1）时，动态校准机制的修正 力度不足，模型输出的（13.5%）仍接近于错误的平均值，导致误判，当模型的参数取 值过高（10.0）时，动态校准机制反应过度，模型对的信任度过低，导致模型过度依 赖哨兵数据，其输出的（24.5%）严重偏离了真实核心水分（20.2%），模型进入振荡状态。 仅当模型的参数处于优选范围，以1.0为例，模型（HC-LSSM）才能对进行合理的动态 修正，输出与瓶颈状态相符的18.5%，模型得以稳定运行；上述试验数据客观地证实了，本发 明所提出的HC-LSSM模型，其模型内部的动态校准机制，即校准置信度，是模型 系统得以避免平均值误判的关键；同时，该模型内部的校准参数亦需要在合理的范围内，模 型方可实现对异质性加工过程的监测。

实施例3：本实施例结合图1至图3，对一种基于多模态传感的草本类作物加工质量监测系统说明，如图1所示，其中主传感单元采集平均状态多模态数据，哨兵传感单元采集极端位置点的物理数据，这两路数据均输入至处理单元所执行的异质性校准的潜状态空间模型HC-LSSM，该模型内部并行进行平均潜状态估计和异质性潜状态计算，并利用计算出的异质性潜状态对平均潜状态的置信度进行动态校准，以输出校准后的状态，即鲁棒的加工状态监测结果，此外，该架构还包括虚拟哨兵模型，利用哨兵传感单元的数据进行在线学习，并在哨兵失效时提供失效替身数据，模型内部处理残差被残差监测模型用于监测模型自身的健康度，当监测到模型与现实失配时，触发过程异常警报。

如图2所示，其中横坐标为时间分钟，纵坐标为温度或水分%，图中包含三条曲 线：代表最快反应点温度的虚线，其从初始温度快速上升至95并保持稳定，代表最慢反应 点温度，其从初始温度缓慢上升至70后趋于平稳，以及代表平均水分，其随加工进行从 25%稳步下降至5%；如图3所示，加工腔体内包含物料堆积体，并设有热风入口与冷风出口， 主传感单元以近红外光谱仪和机器视觉相机为例用于采集平均状态多模态数据，第一哨兵 传感器最快反应点安装在热风入口处，第二哨兵传感器最慢反应点安装在冷风出口处，所 有传感器的数据流均汇集至处理单元，该处理单元内部署有HC-LSSM模型异质性校准的潜 状态空间模型、虚拟哨兵模型、残差监测模型、相关性监测模型以及参数映射库，并最终对 外提供包含平均加工潜状态、异质性潜状态和过程异常警报的监测输出。

实施例4：本实施例用以阐述哨兵失效虚拟替身容错机制的具体工程实现与运作 规程，该机制旨在解决如具体实施方式、哨兵传感单元因物理失效而导致HC-LSSM模型监测 功能中断的模型问题，在典型的草本类作物，以烟叶醇化为例，长时间连续加工批次中，监 测系统已稳定运行，其主传感单元持续提供平均状态多模态数据，其安装于热风入 口的第一哨兵传感器（）与安装于堆芯的第二哨兵传感器（）均处于健康状态，并持 续提供极端位置点的物理数据；为构建层面的逻辑冗余，处理单元在执行HC- LSSM主监测任务的同时，激活了虚拟哨兵模型的在线学习功能，其具体规程如下：数据采集 与缓冲：在系统确认所有传感器均健康的初始阶段，例如运行的前30分钟，处理单元建立数 据缓冲池；该缓冲池以（如1100-1700nm的全光谱矩阵）为输入X变量，并以如的温度值为同步的输出Y变量，持续采集数据直至缓冲池达到预设容量， 例如2000个同步数据点；虚拟哨兵模型的初始构建：当缓冲池满后，处理单元调用轻量化的 回归模型，如具体实施方式偏最小二乘回归（PLS）模型，利用缓冲池中的X和Y数据，训练并 生成初始的虚拟哨兵模型；该模型在层面固化了平均光谱与极端点温度之间的非线性相关 性，并转入伴随运行状态；模型的在线时效性保障：为应对加工过程中物料特性或传感器本 身的缓慢漂移，系统执行时效性保障机制；系统采用先进先出（FIFO）的数据队列持续更新 数据缓冲池，并设定重构触发条件，例如每隔4小时或当HC-LSSM模型的内部处理残差的短 期均值偏离其长期基线超过预设阈值如3个标准差时，处理单元自动使用缓冲池中的最新 数据，对虚拟哨兵模型进行一次模型的再训练。

在加工进行至第50小时，典型的模型容错场景被触发：处理单元通过其内置的健 康状态诊断逻辑，即检查传感器的信号变化率，发现其信号在连续10个采样周期内如 10分钟保持为恒定值85.1，该状态被判定为信号平线失效特征，处理单元立即将物 理哨兵标记为失效状态，模型容错切换机制被立即激活：HC-LSSM模型用于计算异质性潜状 态的数据输入端，被处理单元的逻辑从已失效的物理传感器的数据接口，切换 至已在线训练完成的虚拟哨兵模型的输出端；虚拟哨兵模型则继续利用来自健康的主传感 单元的数据流，实时计算出在当前工况下的估算值，例如85.3、85.4等，并 将其作为替身数据提供给HC-LSSM，此模型层面的切换，使得HC-LSSM模型的核心逻辑（的计算）未因关键物理传感器的失效而中断，而是平滑降级并继续运行，系统得以在 不中断异质性监测的前提下，继续完成剩余的加工周期，并向操作员发出哨兵失效、虚拟替 身已介入的维护警报。

实施例5：本实施例用以阐述计算模型部署前，为确保其批次自适应初始化功能与 过程异常警报功能可靠运行，所执行的参数映射库离线标定规程与正常噪声基线现场标定 规程，为构建参数映射库，选取三种代表典型物料特性的草本类作物标准样品，分别为：样 品A（高密度、高初始含水率38.2%）、样品B（中密度、中含水率25.5%）与样品C（低密度、低含 水率18.1%）；将样品A置于如实施例2试验平台中，启动加工并由处理单元采集其瞬态响应 特征，该特征被量化为第一哨兵传感器（）的升温速率（12.5/分钟）与主传感单元（）的光谱响应滞后时间45秒之间的比值，计算得到特征向量；在此过程中，通过工 艺工程师手动调整模型（HC-LSSM）的内部参数，直至模型的估算输出与离线测定的真实物 料状态拟合误差最小，将此时的模型参数组合固化为最优模型参数集；重复此过程，分别 获取样品B的特征向量（如比值为10.2）和参数集，以及样品C的特征向量（如比值为 8.9）和参数集；最后，将、、作为模型的预标定参数集存入参数映 射库中，用于模型的在线匹配与加载。

在模型已加载了与当前物料以样品B为例相匹配的最优模型参数集后，系统进 入正常噪声基线的现场标定阶段；系统以正常工艺参数运行，并确认加工过程处于稳定状 态；在此稳定运行窗口，例如加工的第10至第20分钟，处理单元持续提取HC-LSSM模型所产 生的内部处理残差数据流如连续1000个数据点；处理单元进而对该残差数据集进行统计学 分析，计算其统计学特性，包括均值（如-0.05）和标准差（如1.22）；处理单元随即将该 统计特性（,）作为模型-现实匹配状态下的客观表征，固化为预设的 正常噪声基线；在后续的常规监测中，残差监测模型将实时残差流的统计特性如使用休哈 特控制图与该基线进行比较，一旦其偏离（如超过的控制限），即触发过程异常警 报。

实施例6：本实施例阐述模型哨兵代表性动态补偿机制的离线标定与在线运行规 程，该机制用于模型（HC-LSSM）在计算异质性潜状态时，动态调整极端位置物理数据 的贡献；离线标定阶段用于构建相关性监测模型并确定相关性基线；该规程在试验平台上， 在确认哨兵传感单元均处于健康且具有代表性的基准工况下，运行多个批次的加工；在此 期间，处理单元同步采集平均状态多模态数据提取其表征过度加工的特征峰与极 端位置点的物理数据提取其对应的温度值；利用采集到的大量数据对，训 练模型，该模型可为多项式回归模型，用于根据中的特征峰预测的估算值，此模型即为相关性监测模型；利用该模型计算其在基准工况数据集上的预测残差，并计算该残差序列的标准差，该（如0.45）即被固化 为预设的相关性基线。

在模型的在线运行阶段，处理单元加载离线标定的相关性监测模型与相关性基线；HC-LSSM在计算异质性潜状态时，其动态调整逻辑如下：处理单元实时获 取中的特征峰与数据，通过相关性监测模型计算出，得到当前残差；处 理单元计算滑动时间窗口，例如最近10个采样点，内的残差绝对值的平均值，并计 算偏差值，其计算为；最后，处理单元应用预设的权重调整规 则计算：，其中，为动态调整后的贡献权重，为预设的 初始权重（如1.0），为预设的灵敏度系数通过离线仿真整定的模型参数如0.8，为模型 相关性偏离预设的相关性基线的偏差值；模型计算出的值介于0到1.0之间的动态权重 被HC-LSSM用于调整数据在计算中的贡献，当模型相关性破坏导致增大时，相应减小，模型即自动降低对该哨兵数据的依赖。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。

最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (8)

1.一种基于多模态传感的草本类作物加工质量监测系统，其特征在于，系统包括主传感单元、至少一个哨兵传感单元以及处理单元：

主传感单元，用于采集加工中物料的平均状态多模态数据；

哨兵传感单元，用于采集加工腔体内预设极端位置点的物理数据；

处理单元，用于执行异质性校准的潜状态空间模型HC-LSSM；HC-LSSM用于：基于平均状态多模态数据，估计平均加工潜状态；基于极端位置点的物理数据，计算异质性潜状态；并利用异质性潜状态对平均加工潜状态估计的置信度进行动态校准；处理单元还用于：在HC-LSSM运行时，提取其表征模型预测值与传感器实际测量值之间差异的内部处理残差；设置残差监测模型，用于实时监测内部处理残差数据流的统计学特性；以及在内部处理残差数据流的统计学特性偏离预设的正常噪声基线时，生成指示HC-LSSM与加工现实发生失配的过程异常警报；

其中，哨兵传感单元包括安装在预设最快反应点的第一哨兵传感器与安装在预设最慢反应点的第二哨兵传感器，HC-LSSM基于第一哨兵传感器与第二哨兵传感器的数据差值，来计算异质性潜状态；

HC-LSSM将异质性潜状态作为平均加工潜状态估计的协方差矩阵的动态校准参数，其中HC-LSSM是一种扩展卡尔曼滤波器模型，协方差矩阵的过程噪声协方差被设定为与异质性潜状态的数值成正相关。

2.根据权利要求1所述的一种基于多模态传感的草本类作物加工质量监测系统，其特征在于，处理单元还用于：在加工批次开始时的初始化阶段，采集主传感单元与哨兵传感单元的瞬态响应数据，以获取表征该批次物料特性的瞬态响应特征；基于瞬态响应特征，从预设的参数映射库中匹配并选择一组对应的模型参数，并将模型参数加载至HC-LSSM中。

3.根据权利要求2所述的一种基于多模态传感的草本类作物加工质量监测系统，其特征在于，瞬态响应特征包括：哨兵传感单元在预设最快反应点所采集数据的升温速率，与主传感单元所采集的平均状态多模态数据的响应滞后时间之间的关系，参数映射库存储了多组模型参数的预标定参数集，预标定参数集分别对应典型物料特性。

4.根据权利要求1所述的一种基于多模态传感的草本类作物加工质量监测系统，其特征在于，处理单元还用于：在哨兵传感单元健康时，在线学习并构建用于根据平均状态多模态数据来预测极端位置点的物理数据的虚拟哨兵模型，实时诊断哨兵传感单元的健康状态；以及在诊断到哨兵传感单元发生失效时，自动将HC-LSSM用于计算异质性潜状态的数据输入，从失效的哨兵传感单元切换至虚拟哨兵模型的预测输出。

5.根据权利要求4所述的一种基于多模态传感的草本类作物加工质量监测系统，其特征在于，虚拟哨兵模型是选自包括偏最小二乘回归模型与梯度提升树模型的模型组中的一种模型；处理单元通过检查哨兵传感单元的信号是否出现选自包括超出物理量程、呈恒定值与包含高频噪声的失效特征组中的至少一种，诊断哨兵传感单元的健康状态。

6.根据权利要求1所述的一种基于多模态传感的草本类作物加工质量监测系统，其特征在于，残差监测模型是一种统计过程控制模型，处理单元在内部处理残差数据流出现选自包括系统性偏移、自相关与方差剧增的统计特性变化中的至少一种，并偏离预设的正常噪声基线时，生成过程异常警报。

7.根据权利要求1所述的一种基于多模态传感的草本类作物加工质量监测系统，其特征在于，处理单元还用于：设置相关性监测模型，用于实时监测平均状态多模态数据中的预设特征与极端位置点的物理数据之间的模型相关性；基于模型相关性，动态评估哨兵传感单元的代表性权重；以及HC-LSSM在计算异质性潜状态时，利用代表性权重对极端位置点的物理数据的贡献进行动态调整；其中，动态调整通过预设的权重调整规则实现：，其中，为动态调整后的贡献，为预设的初始权重，为预设的灵敏度系数，为模型相关性偏离预设的相关性基线的偏差值。

8.根据权利要求7所述的一种基于多模态传感的草本类作物加工质量监测系统，其特征在于，相关性监测模型用于：提取平均状态多模态数据中表征过度加工的特征峰作为预设特征；监测特征峰的变化趋势与极端位置点的物理数据的变化趋势之间的模型相关性；并计算模型相关性偏离预设的相关性基线的偏差值。